[发明专利]一种基于特征多样化的卷积神经网络的情感分析模型构建方法

摘要

本发明公开一种基于特征多样化的卷积神经网络的情感分析模型构建方法。该方法首先导入情感词典集合与句子语料训练集，并对初始数据集做相应预处理，通过计算情感词在不同极性数据集上出现的文档频数来计算情感得分以及普通词条的权重得分，得到词条得分特征统计值并构建特征向量。把得到的情感词典情感得分向量以及普通词条权重得分向量与向量化后的训练集句子向量进行拼接或者运算操作，得到具有特征信息多样化的输入矩阵。最后用特定参数的卷积神经网络模型训练数据集，得到训练好的模型。本发明能够解决模型在模型训练过程中对更深层的隐藏情感信息挖掘不够全面的问题，还能够有效提高情感分类的精确度。

主权项

1.一种基于特征多样化的卷积神经网络的情感分析模型构建方法，其特征在于，包括以下步骤：步骤1)输入情感单词数据集作为情感分析任务中的情感词集合，并在情感单词数据集中加入新兴社交网络词语，以此作为构建该模型所使用的情感词典，并输入带有标记的句子语料作为训练数据集；步骤2)分褒贬两类统计计算情感词典中的不同情感词在褒贬两类极性数据集上出现的次数并计算该情感词的情感得分；步骤3)使用相同维度的向量来表示情感词的情感得分和普通词条的权重得分，得到卷积神经网络需要的一次性接收文本的平行化输入，将每一个情感得分值用一个多维的连续值向量来表示，将每一个普通词条的权重得分映射为一个维度一样的多维连续值向量；步骤4)以词为单位将语料训练数据集中的不同句子表示为一个由词向量组成的二维矩阵，对于句子中的每一个词条，将词条映射为一个随数据集大小改变的m维的连续值向量；在卷积神经网络输入层，使用拼接和矩阵运算两种不同的矩阵计算方式验证本专利提出的多样化特征信息和卷积神经网络结合的有效性；步骤5)在数据集上训练一个卷积神经网络，卷积神经网络中使用多窗口、多卷积核对输入句子进行卷积操作，所述卷积神经网络包括卷积层，池化层，全连接层和一个softmax模型的输出层，线性整流函数即ReLU函数作为激活函数，并使用了dropout机制和权重的正则化限制训练模型，最小化交叉熵优化模型。